基于SVM的圖像內(nèi)容檢索研究.pdf

1、隨著基于內(nèi)容的圖像檢索技術(shù)的發(fā)展，包含“交互系統(tǒng)”和“用戶參與”的相關(guān)反饋構(gòu)架，在縮減高層語義概念與低層視覺特征之間的‘語義鴻溝’方面體現(xiàn)了較好的性能。特別是基于支持向量機的相關(guān)反饋，由于具有良好的泛化能力，因而進一步提高了檢索性能。盡管如此，圖像檢索系統(tǒng)中基于支持向量機的相關(guān)反饋性能由于以下四個原因而可能變差：
　　 1)小樣本導(dǎo)致支持向量機分類器性能不穩(wěn)定。若訓(xùn)練樣本數(shù)較小，則SVM的最優(yōu)分類面對訓(xùn)練樣本較敏感，SVM分類器

2、性能可能會很差。2)樣本不對稱問題。大多數(shù)情況下，用戶反饋的正樣本數(shù)遠小于負樣本數(shù)。因此，在訓(xùn)練過程中，如果將正負樣本同等對待的話，決策而可能會發(fā)生傾斜，導(dǎo)致將不相關(guān)的圖像誤判為相關(guān)的。3)過學(xué)習(xí)問題。由于特征向量的維數(shù)遠大于用戶每次提供的反饋樣本數(shù)，多數(shù)分類器會發(fā)生過學(xué)習(xí)問題，導(dǎo)致SVM分類器的性能變差。4)由于用戶參與到訓(xùn)練的過程中，算法的實時性要求嚴格。針對上述問題，本文進行了下述的研究：
　　 首先，對基于內(nèi)容的圖像檢索

3、中關(guān)鍵技術(shù)進行了闡述和分析。
　　 其次，提出了一種多特征組合、訓(xùn)練多個SVM分類器的反饋算法，更好地把握圖像檢索中用戶的主觀意圖。
　　 第三，提出了一種模糊支持向量機結(jié)合非對稱打包的算法，解決了傳統(tǒng)支持向量機中的小樣本和不對稱問題。另外，采用維數(shù)比較低的特征，緩解了過學(xué)習(xí)的問題。實驗表明，與已有的算法相比，雖然算法耗費的時間略微增加，但檢索性能得到了較大提高。
　　 在上述工作的基礎(chǔ)上，構(gòu)建了一個而向本地數(shù)據(jù)